本文關(guān)鍵詞：基于ARIMA-LSSVM混合模型的股指預(yù)測(cè)研究，由筆耕文化傳播整理發(fā)布。

【摘要】：在許多領(lǐng)域,對(duì)時(shí)間序列的研究顯得十分重要,提高預(yù)測(cè)精度能夠?yàn)闆Q策者提供有價(jià)值的參考。從時(shí)間序列分析的角度對(duì)股指進(jìn)行預(yù)測(cè)研究能夠幫助投資者制定投資策略,獲得穩(wěn)定收益。在傳統(tǒng)的時(shí)間序列模型中,ARIMA模型一直是最廣泛使用的線性模型之一。但是,ARIMA模型不能捕捉時(shí)間序列中的非線性模式。SVM是以VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則為基礎(chǔ),在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上發(fā)展而來(lái)的一種新的機(jī)器學(xué)習(xí)方法。它已成功地解決許多非線性回歸估計(jì)問(wèn)題。LSSVM對(duì)標(biāo)準(zhǔn)SVM進(jìn)行改進(jìn),將標(biāo)準(zhǔn)SVM求解中的二次規(guī)劃問(wèn)題轉(zhuǎn)化為相對(duì)簡(jiǎn)單的線性問(wèn)題,減少了運(yùn)算量,提高了模型求解的速度。整合不同的模型是提高預(yù)測(cè)精度的有效途徑,特別是當(dāng)組合中的模型表現(xiàn)出很大的差異性時(shí)。上證180股指是我國(guó)證券市場(chǎng)的主要指數(shù)之一。股指時(shí)間序列受多種因素的影響,其中的線性成分和非線性成分復(fù)雜地交織在一起。本文對(duì)上證180股指序列進(jìn)行ARIMA建模之后,基于Khashei的建模思想,并結(jié)合上證180股指序列的特征,構(gòu)建一種新型的融合ARIMA和LSSVM的混合模型對(duì)股指收盤(pán)價(jià)進(jìn)行預(yù)測(cè)。將本文構(gòu)建的ARIMA-LSSVM混合模型與單一的模型、傳統(tǒng)的混合模型、BP神經(jīng)網(wǎng)絡(luò)、ARIMA-BP混合模型的預(yù)測(cè)效果進(jìn)行對(duì)比分析,利用均方誤差根(RMSE)和平均絕對(duì)百分比誤差(MAPE)兩種指標(biāo)對(duì)不同模型預(yù)測(cè)精度進(jìn)行度量,RMSE度量實(shí)際值與預(yù)測(cè)值之間的絕對(duì)誤差,MAPE度量實(shí)際值與預(yù)測(cè)值之間的相對(duì)誤差。實(shí)證結(jié)果表明,本文構(gòu)建的ARIMA-LSSVM混合模型的預(yù)測(cè)性能比單一的模型、傳統(tǒng)的混合模型以及BP神經(jīng)網(wǎng)絡(luò)、ARIMA-BP混合模型優(yōu)秀。另外,傳統(tǒng)的混合模型、ARIMA-BP混合模型的預(yù)測(cè)精度有時(shí)也低于單一的模型,說(shuō)明并不是所有的混合模型的預(yù)測(cè)性能都高于單一的模型,只有將單一的模型進(jìn)行適當(dāng)?shù)亟M合,得到的混合模型才會(huì)有更好的預(yù)測(cè)表現(xiàn)。
【關(guān)鍵詞】：時(shí)間序列預(yù)測(cè) ARIMA模型 LSSVM 混合模型
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：F724.5;F224
【目錄】：

• 摘要4-5
• Abstract5-8
• 第1章 緒論8-17
• 1.1 研究背景與問(wèn)題提出8-10
• 1.1.1 研究背景8-9
• 1.1.2 問(wèn)題提出9-10
• 1.2 研究目的與意義10
• 1.3 國(guó)內(nèi)外研究現(xiàn)狀10-15
• 1.3.1 國(guó)外研究現(xiàn)狀10-12
• 1.3.2 國(guó)內(nèi)研究現(xiàn)狀12-14
• 1.3.3 國(guó)內(nèi)外文獻(xiàn)評(píng)述14-15
• 1.4 研究?jī)?nèi)容與研究方法15-17
• 1.4.1 研究?jī)?nèi)容15
• 1.4.2 研究方法15-17
• 第2章 股指預(yù)測(cè)的特點(diǎn)及預(yù)測(cè)模型17-30
• 2.1 股指預(yù)測(cè)的特點(diǎn)17-19
• 2.1.1 股指波動(dòng)的基本特征17-18
• 2.1.2 股指預(yù)測(cè)方法及特點(diǎn)18-19
• 2.2 單一預(yù)測(cè)模型19-28
• 2.2.1 ARIMA模型理論19-21
• 2.2.2 LSSVM模型理論21-26
• 2.2.3 神經(jīng)網(wǎng)絡(luò)模型理論26-28
• 2.3 混合模型構(gòu)建思想28-29
• 2.4 本章小結(jié)29-30
• 第3章 數(shù)據(jù)的預(yù)處理及混合模型的構(gòu)建30-43
• 3.1 數(shù)據(jù)選取與說(shuō)明30-31
• 3.2 數(shù)據(jù)的預(yù)處理31-40
• 3.2.1 股指序列平穩(wěn)性檢驗(yàn)31-33
• 3.2.2 股指序列平穩(wěn)化處理33-36
• 3.2.3 股指序列相對(duì)最優(yōu)模型的識(shí)別36-40
• 3.3 ARIMA-LSSVM混合模型的構(gòu)建40-42
• 3.4 本章小結(jié)42-43
• 第4章 混合模型股指預(yù)測(cè)實(shí)證研究43-59
• 4.1 預(yù)測(cè)效果評(píng)價(jià)指標(biāo)的選取43
• 4.2 ARIMA模型預(yù)測(cè)實(shí)證研究43-45
• 4.3 LSSVM模型預(yù)測(cè)實(shí)證研究45-50
• 4.3.1 LSSVM模型的構(gòu)建45-49
• 4.3.2 LSSVM模型股指預(yù)測(cè)49-50
• 4.4 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)實(shí)證研究50-53
• 4.4.1 BP神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建50-51
• 4.4.2 BP神經(jīng)網(wǎng)絡(luò)股指預(yù)測(cè)51-53
• 4.5 ARIMA-LSSVM混合模型預(yù)測(cè)實(shí)證研究53-57
• 4.5.1 混合模型股指預(yù)測(cè)53-55
• 4.5.2 不同模型預(yù)測(cè)效果比較分析55-57
• 4.6 本章小節(jié)57-59
• 結(jié)論59-61
• 參考文獻(xiàn)61-67
• 攻讀碩士學(xué)位期間發(fā)表的學(xué)術(shù)論文67-69
• 致謝69

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前5條

1 戴浪;黃守道;黃科元;葉盛;;風(fēng)電場(chǎng)風(fēng)速的神經(jīng)網(wǎng)絡(luò)組合預(yù)測(cè)模型[J];電力系統(tǒng)及其自動(dòng)化學(xué)報(bào);2011年04期

2 賀鳳羊;劉建平;;如何對(duì)中國(guó)CPI進(jìn)行季節(jié)調(diào)整——基于X-12-ARIMA方法的改進(jìn)[J];數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究;2011年05期

3 熊志斌;;基于ARIMA與神經(jīng)網(wǎng)絡(luò)集成的GDP時(shí)間序列預(yù)測(cè)研究[J];數(shù)理統(tǒng)計(jì)與管理;2011年02期

4 王平;師青;;基于支持向量機(jī)回歸的房地產(chǎn)單指標(biāo)預(yù)測(cè)[J];統(tǒng)計(jì)與決策;2011年21期

5 朱顏杰;樊順厚;雷懷英;;基于SARIMA模型的居民消費(fèi)價(jià)格指數(shù)的預(yù)測(cè)[J];統(tǒng)計(jì)與決策;2014年04期

  本文關(guān)鍵詞：基于ARIMA-LSSVM混合模型的股指預(yù)測(cè)研究，，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：325815